Insert Anything – 浙大联合哈佛大学和南洋理工推出的图像插入框架-爱论文

Insert Anything是什么

Insert Anything是浙江大学、哈佛大学和南洋理工大学的研究人员联合推出的基于上下文编辑的图像插入框架。框架基于将参考图像中的对象无缝插入到目标场景中，支持多种实际应用场景，如艺术创作、真实人脸替换、电影场景合成、虚拟试穿、配饰定制和数字道具替换等。Insert Anything基于包含120K提示图像对的AnyInsertion数据集训练，能灵活适应多种插入场景，为创意内容生成和虚拟试穿等领域提供强大的技术支持。

Insert Anything的主要功能

多场景支持：支持处理多种图像插入任务，如人物插入、物体插入和服装插入等。灵活的用户控制：支持掩码（Mask）引导和文本（Text）引导控制模式。用户基于手动绘制掩码或输入文本描述指定插入区域和内容。高质量输出：支持生成高质量、高分辨率的图像，保持插入元素的细节和风格一致性。

Insert Anything的技术原理

AnyInsertion数据集：框架用大规模数据集AnyInsertion进行训练，包含120K提示-图像对，涵盖多种插入任务（如人物、物体和服装插入）。扩散变换器（DiT）：基于DiT的多模态注意力机制，同时处理文本和图像输入。DiT能联合建模文本、掩码和图像块之间的关系，支持灵活的编辑控制。上下文编辑机制：基于多联画（Polyptych）格式（如掩码引导的二联画和文本引导的三联画），将参考图像与目标场景结合，让模型能捕捉上下文信息，实现自然的插入效果。语义引导：结合图像编码器（如CLIP）和文本编码器提取语义信息，为编辑过程提供高级指导，确保插入元素与目标场景的风格和语义一致性。自适应裁剪策略：在处理小目标时，基于动态调整裁剪区域，确保编辑区域获得足够的关注，保留足够的上下文信息，实现高质量的细节保留。

Insert Anything的项目地址

项目官网：https://song-wensong.github.io/insert-anything/GitHub仓库：https://github.com/song-wensong/insert-anythingarXiv技术论文：https://arxiv.org/pdf/2504.15009